張樂 趙心宇

DOI：10.16660/j.cnki.1674-098X.2101-5640-2287

摘? 要：針對復(fù)雜背景條件下機動單目標跟蹤問題進行了研究，首先在初始幀采用交互方式，目標搜索，選定待跟蹤目標，然后應(yīng)用漂移理論方法，對機動單目標進行有效跟蹤。仿真結(jié)果表明，使用漂移方法可以實現(xiàn)對范圍內(nèi)的機動單目標進行后續(xù)幀序列中的目標行進方向預(yù)測和跟蹤，彌補了傳統(tǒng)跟蹤算法的短板、保留了均值漂移算法的低計算復(fù)雜度和實時性。

關(guān)鍵詞：機動目標? 均值漂移? 目標跟蹤? 圖像預(yù)理

中圖分類號：TP391.41 ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2021）03（c）-0032-04

Maneuvering Single Target Tracking Method Based on Mean-shift Theory

ZHANG Le? ZHAO Xinyu

（School of Equipment Engineering， Shenyang Ligong University， Shenyang， Liaoning Province， 110168 China）

Abstract： In this paper， the problem of maneuvering single target tracking in complex background is studied. Firstly， in the initial frame， the interaction mode is used to search the target and select the target to be tracked. Then， the drift theory is applied to track the maneuvering single target effectively. The simulation results show that the drift method can predict and track the moving direction of the maneuvering single target in the following frame sequence， which makes up for the shortcomings of the traditional tracking algorithm and retains the low computational complexity and real-time performance of the mean shift algorithm.

Key Words： Maneuvering target; Mean shift; Target tracking; Image processing

目標跟蹤這一技術(shù)根據(jù)目前的信息科技發(fā)展來看仍然具有重要的研究價值和發(fā)展前景，日程生活中其應(yīng)用主要有人機交互、智能機器人、交通監(jiān)控和軍事領(lǐng)域等，應(yīng)用范圍也十分廣泛。軍事領(lǐng)域中對于雷達、電視制導(dǎo)導(dǎo)彈等信息化武器的應(yīng)用，目標追蹤更是研究的重中之重。工業(yè)生產(chǎn)方面對于實現(xiàn)車間自動化生產(chǎn)，目標追蹤也起到一定的效果。

1? 機動單目標跟蹤方法分析

目標跟蹤是一個龐大的工程，大體可分為信息處理、目標檢測、目標跟蹤等環(huán)節(jié)，具體囊括特征提取、角點檢測、計算目標位置等步驟[1]。工程中最重要的兩個環(huán)節(jié)便是對目標進行檢測和跟蹤的部分?；诰灯频哪繕烁櫵惴ㄓ捎谄鋵崟r性較好、運算穩(wěn)定性高和設(shè)計簡便的特點，成為了這幾年國內(nèi)外目標跟蹤方面專家學(xué)者重點研究對象[2]，基于此算法也衍生了不同類型的改進算法?；诰灯频膭討B(tài)目標跟蹤算法實際上是一種對密度梯度進行下降優(yōu)化處理的算法，該算法能夠通過快速迭代運算將目標函數(shù)收斂到極大指點，從而實現(xiàn)直接對目標進行跟蹤[3]。漂移理論的目的就是為了分析概率密度，找出其極大指點，并且要求其中所使用的核函數(shù)應(yīng)當能夠進行微分運算。接下來引入核函數(shù)和核密度估計來作為第三章均值漂移理論的基礎(chǔ)。

均值漂移向量的計算基于核密度估計，而核密度估計又是無參密度估計的主要方法之一。首先定義樣本分別取自連續(xù)分布f（x），設(shè)h為核函數(shù)的窗口寬度，那么任意點x處的核密度估計可以定義為：

式（1）中，K（·）被稱為核函數(shù)，若要確保作為概率密度函數(shù)是有意義的，那么就要確保三點：函數(shù)值必須恒大于零、函數(shù)可積分并且其積分值為1、函數(shù)呈對稱分布。一般情況下，核函數(shù)K（x）只要是正常的分布函數(shù)就能夠滿足上述三點。即使是不同形狀的有較大差異的核函數(shù)也都具有滿足密度估計的普遍性，主要是由于其估計結(jié)果基本上不受函數(shù)外型的影響。函數(shù)模型的光滑程度很大情況下與帶寬大小相聯(lián)系，帶寬不同會導(dǎo)致函數(shù)光滑度產(chǎn)生差別，從而間接影響估計量?？梢远x，當hn非常大時，x點處概率密度會產(chǎn)生很大的波動。該分布采用了歸一化的表現(xiàn)形式，即：

因為樣本中無論距離xi 的多遠點也有自身對應(yīng)的貢獻量，所以靠近的點會受遠離的點影響導(dǎo)致其占比變低，權(quán)重自然也會隨著降低，而遠處點相對于近處點的相對權(quán)重也會降低，在這種情況下，是由n個函數(shù)疊加，各函數(shù)的幅度變化相對較小，那么相加后的函數(shù)變化也不大，所以會相對平滑;另外一種情況是，當hn很小時，分擔Vn的相對應(yīng)的點數(shù)也很少，所以距離不同，權(quán)重也就會不同。在這時就是n個以樣本點為中心的尖脈沖的疊加，可以將它看作一個噪聲疊加的估計。在多維的情況下，則有：

2? 均值漂移在機動單目標中的應(yīng)用

2.1 建立目標模型

建立目標模型的基本依據(jù)就是離散概率密度函數(shù)，這個函數(shù)是通過統(tǒng)計感興趣范圍內(nèi)的圖片信息特征來得出的。定義目標范圍中心為y0，這個范圍內(nèi)有n個像素點，其中特征值bin的量是m。

2.2 建立候選目標模型

假定候選目標區(qū)域中心為y，以表示候選區(qū)域中的像素點，對候選目標進行建模。

2.3 計算相似度

相似度函數(shù)是一個測量函數(shù)，它表示的是給出的圖片序列第一張中目標模型和接下來的圖片序列中候選模型的匹配度。理想狀態(tài)下的兩模型能夠完全匹配，也就是說完美跟蹤了目標，那么兩者的概率分布就會相同，相似度即為100%。

2.4 機動單目標跟蹤算法步驟

機動單目標跟蹤算法步驟如圖1所示。

算法第一步先交互選取一個目標框，選擇感興趣目標，即初始化目標位置。然后對該目標進行模型分析、計算分布函數(shù)以及目標中心、候選目標模型分布和權(quán)值等坐標，再根據(jù)均值漂移向量計算出目標的新位置，通過比較漂移量再次確認目標的真實位置[4]。

3? 仿真結(jié)果分析

實驗一中的實驗背景為簡單背景，目標為從左到右行駛的黑色小型SUV車輛，光照條件充足、目標顏色特征明顯，攝像頭靜態(tài)穩(wěn)定。實驗二中是改變了光照條件，在陰天光照相對不足、色彩不鮮明的情況下進行的實驗。兩組實驗均采用matlab2018a軟件環(huán)境，選取的三組視頻來自校內(nèi)拍攝，幀數(shù)為200幀。

使用均值漂移算法進行三組目標跟蹤的結(jié)果如圖2、圖3所示。

其中，圖2實驗?zāi)繕藶榻c黑色suv汽車，目標行駛方向從左向右。手動框選目標后雙擊以進行目標跟蹤。其中藍色框為手動選取框，白色框為跟蹤框，并在接下來識別的圖片序列中一直跟蹤目標車輛[5]。實驗背景為靜態(tài)背景，干擾不大的狀態(tài)下跟蹤效果比較好。圖3以左側(cè)自行車為跟蹤目標，由于分辨率等因素導(dǎo)致目標較小，并且目標在運動過程中會產(chǎn)生如蹬車等動作導(dǎo)致目標會發(fā)生一定變化，這都可能成為影響目標跟蹤的精度和結(jié)果。為了盡可能減少圖像信息的影響，將較小的目標圖片進行了放大處理。圖3作為實驗二是為了分析均值漂移算法在光照條件不是十分理想的情況下的跟蹤效果，最終經(jīng)過多次實驗、反復(fù)調(diào)整跟蹤框的大小，結(jié)果表明通過選取合適大小的跟蹤框，可以提高算法的精度和準確度。而陰天條件實驗二也表明了均值漂移算法能夠?qū)庹諚l件相對不理想的圖像進行跟蹤分析[6]。

4? 結(jié)語

本文分析了均值漂移算法的原理以及該算法在目標跟蹤中的實際應(yīng)用，并進行了算法實驗，給出了實際應(yīng)用效果。根據(jù)結(jié)果可以看出，跟蹤框和目標存在一定的可接受的誤差，目標在運動過程中大小發(fā)生了一定改變，但是跟蹤框始終能夠跟上目標汽車的行動。表明目標大小、視頻清晰度、運動過程以及感興趣目標區(qū)域的選取對于該算法的精度也會產(chǎn)生較大影響，當目標圖像不理想時，應(yīng)盡量選取該目標的顯著特征進行跟蹤，并減少任何會導(dǎo)致跟蹤精度下降的無用因素。故可以認為該算法在簡單背景下基本滿足準確性和魯棒性的要求，并且具有實時性。即均值漂移算法可以很好地對簡單靜態(tài)背景下的單個目標進行跟蹤。

參考文獻

[1] 曾憲佑.復(fù)雜場景下魯棒的目標跟蹤算法研究[D].北京：北京交通大學(xué)，2019.

[2] 陳玲，李潔.基于視覺傳達的后繼幀視頻圖像目標跟蹤仿真[J].計算機仿真，2020，37（4）：347-351.

[3] 王戰(zhàn)，楊紹清，劉松濤，等.移動攝像下的目標跟蹤算法[J].現(xiàn)代防御技術(shù)，2019，47（3）：121-127.

[4] 谷曉琳，周石琳，雷琳.基于m-best數(shù)據(jù)關(guān)聯(lián)和小軌跡關(guān)聯(lián)多目標跟蹤算法[J].系統(tǒng)工程與電子技術(shù)，2017，39（7）：1640-1646.

[5] 余升林.基于傳感器信息融合的車輛識別與測量研究[D].武漢：武漢理工大學(xué)，2019.

[6] 許二敏.跨攝像頭目標跟蹤技術(shù)研究[D].重慶：重慶郵電大學(xué)，2019.